Precíziós gyomdetektálási technológiák gyakorlati alkalmazhatósága

Precíziós gyomdetektálási technológiák gyakorlati alkalmazhatósága

Riczu Péter – Tamás János

Debreceni Egyetem Agrár- és Gazdálkodástudományok Centruma, Mezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Víz- és Környezetgazdálkodási Intézet, Debrecen

riczu@agr.unideb.hu

ÖSSZEFOGLALÁS

A mezőgazdasági táblán vagy egy kertészeti ültetvényben a kultúrnövény állandó versengésben van a tápanyagért és vízért a gyomokkal. A gyomok által felhasznált és elpárologtatott vizet pótolni szükséges, amely többlet költségeket ró termelőkre, ami csökkentheti a növényter-mesztés jövedelmezőségét. A precíziós növényvédelmi beavatkozások célja, hogy helyspecifikus technológiák alkalmazásával és optimalizált gyomirtószer kombinációval és módszerekkel védje meg a kultúrnövényt, miközben a környezetet minimálisan terheli. A precíziós gyomszabá-lyo zás első lépése a gyomok detektálása, melyre hagyományos és fejlett (passzív és aktív távérzékelési) gyomfelvételezési technikák állnak ren-del kezésünkre. Kísérletünket a Pallagi Kertészeti Kísérleti Telep jéghálóval védett, csepegtető öntözőrendszerrel ellátott, intenzív termesztésű alma gyümölcsösében végeztük. A gyomok spektrális alapú gyomfelvételezéshez a Tetracam ADC szélessávú multispektrális kamerát, valamint a GreenSeeker 505 típusú vegetációs indexmétert alkalmaztuk. A szenzorok által kalkulált indexek szoros korrelációt mutatnak a vizsgált terület gyomborítottságával. Megfelelő szoftveres környezetben gyomborítottsági térkép készült, így meghatározhatóvá vált a gyomok térbeli helyzete. A gyomok fajszintű elkülönítéséhez a Leica ScanStation C10 lézerszkenner által gyűjtött 3D pontfelhő adatai alapján végeztük el. A műszer segít-sé gével a gyomok strukturális paraméterei is megismerhetővé váltak.

Kulcsszavak:gyomdetektálás, Tetracam ADC, GreenSeeker 505, lézerszkenner

SUMMARY

In an agricultural field or horticultural plantation, weeds compete with cultivated plants for water and nutrients. The transpirated water by the weeds is needed to be replaced, which saddles surplus costs on the farmer, which could reduce the profitability of crop production. The aim of the precision plant protection system is to protect cultivated plants by applying site-specific technologies and optimized herbicides combination and methods, without environmental damage. The first step of precision weed control is the scouting for weeds. Traditional and modern (passive and active remote sensing) weed surveying technologies are available to detect weeds. The examination was carried out in an intensive apple orchard with drip irrigation system, protected by hail net of the Study and Regional Research Farm of the University of Debrecen near Pallag. The spectral-based weed detection was worked out by the Tetracam ADC broadband multispectral camera and the GreenSeeker 505 vegetation indexmeter. A strong correlation observed between vegetation indices and weed coverage. Based on the collected data, weed maps are created in appropriate software environment, thus the spatial distributions of the weeds are determined. The species level discrimination and the recognition of weed structural parameters were executed based on the 3D point cloud data by Leica ScanStation C10 laser scanner.

Keywords:weed detection, Tetracam ADC, GreenSeeker 505, laser scanning

BEVEZETÉS

A gyomok fogalomrendszerének definiálásra szá-mos szubjektív megfogalmazás született, közülük a leg egyszerűbb Hunyadi (2000) meghatározása, mely sze rint a gyomok olyan növényi életformák, amelyek ott fordulnak elő, ahol nem kívánatosak. A gyomok kultúrnövényre gyakorolt negatív hatásait már több ku-ta tó vizsgálku-ta (van Heemst, 1985; Miñarro, 2012; Casagrande et al. 2012). Úgy egy gyümölcsösben, mint ahogyan egy mezőgazdasági táblán, elsősorban a vízért, tápanyagért és sok esetben a napfényért a gyo -mok állandó versengésben vannak a kultúrnövénnyel (Anderson et al., 1996; Mitchem, 2005). A gyomok sok kal agresszívebbek, mint a kultúrnövények, sajátos jellemzőik teszik őket versenyképesebbé (Muhammad et al., 2009). A káros gyomborítottság több szempontból is csökkentheti a termelés jövedelmezőségét. Egy -részt, tavasszal a gyomborítású gyü mölcsültetvényekben a fagykárok kockázata magasabb a fedetlen talajo -ké hoz -képest (Mitchem, 2005; Lipecki, 2006), mivel ezek a talajok nagyobb mennyiségű hőt abszorbeálnak egy nap folyamán (Thompson, 1995). Továbbá a gyo

mok megfelelő élettani feltételeket biztosítanak a kár -te vők számára, melyek kórokozók vivővektorai lehetnek; valamint egy fiatal gyümölcsültetvény, vagy fa -is kola esetében nagy növekedési eréllyel rendelkező gyo mok leárnyékolhatják a fákat (Mitchem, 2005). A ko rán beérő gyümölcsök érési idejét elnyújthatják a gyo mok által okozott kedvezőtlen tulajdonságok (Roper, 1992). Ugyanakkor ismert tény, hogy egyes fa jok esetében allelopatikus hatásmechanizmus is kiala -kul hat a gyom és a -kultúrnövény között (Lipecki, 2006). A növénytermesztési és növényvédelmi gyakorlat-ban régóta ismert tény, hogy a mezőgazdasági táblákon és a kertészeti ültetvényeken a károsítók gyakran hete -rogén módon, sokszor foltszerűen fordulnak elő (Nagy, 2004), rendkívül változó egyedszámmal és egyedsű rű -ség gel (Cardina et al., 1995; Mortensen et al., 1993), így a gyomfajok térbeli eloszlásának és jellemzésének vizsgálatai sok esetben problematikusak (Dille et al., 2002). A gyomirtás történetének korai időszakában, már közel ötven évvel ezelőtt is érvényes volt Ujvárosi (1957) ama megállapítása, hogy a gyomirtás eredmé -nyét az dönti el, mennyire ismerjük egy adott területen a gyomfajokat. Ennek ellenére a gyakorlat az, hogy a

táblán belül alkalmazott kezelések homogének, tehát táb laszintű technológiák valósulnak meg (Nagy, 2004), mely nek egyik oka, hogy a gyomok táblán, vagy ültet vé nyen belüli felderítése nagy idő és munkaerőigé -nyes feladat (Clay és Johnson, 1999).

Több kutatás foglalkozik olyan mérnöki megoldá-sok kal, melyek gyorsan, pontosan és nagy területen de-tek tálják a gyomok térbeli változékonyságát. Az adott te rületen lévő foltosság azonosítására az egyik leg ígé -re tesebb megoldást a távérzékelési eszközök és mód-sze rek nyújtják (Cardina és Doohan, 1999; Clay et al., 2004).

A távérzékelés fizikai alapja, hogy egy tárgyra be -eső sugárzás (E₁) egy része visszaverődik (E_r), egy ré -sze elnyelődik (Ea), egy része pedig áthalad a tárgyon

(E_t). Ezen mennyiségek egymáshoz viszonyított aránya függ a hullámhossztól (λ). Mindezek alapján felír hat -juk a következő egyenletet:

Adott hullámhosszon a visszaverődés, az elnye -lődés és az objektumon való áthaladás értékei egyenlők a teljes beeső sugárzás mennyiségével (Aggarwal, 2004). Ezen mennyiségek értéke mindig az adott ob-jek tum fizikai jellemzőitől, geometriai szerkezetétől függ (Molenaar, 1993). A távérzékelő műszer a tárgyról visszavert sugárzást (E_r) begyűjti, majd a reflektancia ér tékekből a területre és az adott alkalmazásnak meg -felelően sajátos értékeket generálhatunk (Clay et al., 2004). A távérzékelési eszközök által mért érték alap ján közvetve következtethetünk a megfigyelt tárgy fi -zi kai, esetleg kémiai jellemzőire (Molenaar, 1993). A szo láris sugárzás abszorpciója és reflexiója a különbö ző növényi anyagok számos kölcsönhatásának eredmé -nye, ami számottevően különbözik a hullámhossz sze rint (Berke et al., 2004). A víz, a pigmentek, a táp -anya gok, és a szén mind a 400 nm és 2500 nm közötti reflektált optikai spektrumban kerülnek kifejezésre, gyak ran átfedéssel, de spektrálisan különböző reflek-tan cia viselkedéssel. A spektrum látható tartományában jelentkező minimum a növényi levelekben található pig menthez köthető. A klorofill erősen elnyeli a 450– 670 nm közötti hullámhossztartományt. Az infravörös tartomány felé haladva 700 nmnél az egészséges nö -vény zet visszaverődése ugrásszerűen megnő (Berke et al., 2004). A távérzékelés a biomasszaelőállítás nyo -mon követésének egyik hatékony eszköze, amelynek se gítségével ún. vegetációs indexek elkészítésére és vizs gálatára nyílik lehetőség. Ez a vizsgált növények ál tal a fotoszintézis során előállított biomasszával, vagyis a termelt klorofillal áll összefüggésben. A nö -vényzet a látható fényt (VIS) csak kis mértékben veri vissza, míg a közeli infravörös (NIR) tartományban (760–900 nm) a visszaverődés a növényzet klorofill-tartalmával, a termelt biomasszával arányos mértékben változik. A termelt növényi tömeg úgy mutatható ki, hogy a látható (ezen belül a vörös (RED) tartományt használjuk: 630–690 nm) és a közeli infravörös tarto -mányban visszavert hullámok intenzitásának különb-sé gével számolunk. A felszínborítás, illetve növényi biomassza vizsgálatára a leggyakrabban használt vege -tációs index a Normalizált Differenciál Vege-tációs Index (NDVI) (Neményi et al., 2010). Az NDVI a NIR

és a RED tartomány más-más sávját használva a zöld bio massza mennyiségen, a klorofiltartalmon kívül egyéb fontos információt (nitrogén ellátottság, víztarta lom, kártevők és betegségek álvíztartal okozott stressz ha -tások) is szerezhetünk a vizsgált növényről.

A távérzékelési technikáknak két típusát különböz -tet hetjük meg, úgymint passzív és aktív távérzékelés. A passzív távérzékelés során a felszínről visszaverődött nap sugárzás, vagy az objektumok által kibocsájtott su -gárzás mennyiségét mérjük (Belényesi et al., 2008). Az aktív távérzékelés során a szenzor maga bocsájt ki elekt romágneses sugárzást. A műszerből kisugárzott ener giának a vizsgált objektum felszínéről visszave rő dött részét mérjük aktív szenzorokkal. Az aktív táv -érzékeléssel végzett felvételezés napszaktól független. Ma már számos olyan eszköz, illetve szenzor áll a ren-del kezésre, amellyel könnyen tudunk olyan vegetációs indexeket készíteni, melyek az aktív növényflóra meg -különböztetését végzi a talajfelszíntől. A GreenSeeker egy gyakorlatban könnyen használható földi szenzor, ami az általa kibocsátott sugárzásnak a lombozat által visszavert részéből gyorsan kalkulálja ki az NDVI ér -téket (Flynn et al., 2008). Az adatok kiértékeléséhez szük séges ismerni a vegetáció szerkezetét és funkcióját (Fórián et al., 2010). A spektrális tartományban vég zett, széles csatornájú elemzések során létrehozott ve -ge tációs indexekkel kizárólag a növényzet detektálása végezhető el, míg a kultúrnövény és a gyom elkü lö ní -tése problematikus. Ennek megoldására keskeny sávú, nagy spektrális felbontású eszközökre (Vrindts és DeBaerdemaeker 1996), vagy speciális alakzatfelismerő algoritmusokra és modellekre van szükség (Aitkenhead et al., 2003; Gée et al., 2008). Gyomfelvételezésnél to -váb bi problémát jelent a gyomok fajszintű azonosítása. Több kutatást végeztek már a gyomfajok azono sí tá sá -ra, melynek alapját a levelek formájának tulajdonsá-gai, valamint a lombozat szerkezeti struktúrája adja (Dave és Runtz 1995; Søgaard, 2005; Woebbecke et al., 1995). A gyomok gyors azonosításában a vizsgált te rület lézeres letapogatása (LIDAR = LIght Detection And Ranging) – az aktív távérzékelés másik típusa – nyújt hat segítséget (Belényesi et al., 2008). A lézer-szkenner elemzi a valós világot, illetve az objektum kör nyezetét, miközben adatokat gyűjt a vizsgált tárgy alakjáról, formájáról, esetlegesen külső megjelenéséről (pl. színéről). Az így begyűjtött adatokból tudunk digi -tális 3 dimenziós modellt készíteni, ami széles körben nyújt információt számos alkalmazási területen. Óriási elő nye a lézerszkenneres felmérésnek a gyors és nagy szá mú mért pont, amiből könnyen felépíthető a vizs-gált objektum modellje. A 3D modellépítés úgy történ-het meg, ha ismerjük a mért pont elhelyezkedését a lé zerszkennerhez viszonyítva. Ahhoz, hogy több pontot tudjunk ugyanabból a mérőállásból felvenni, a lé -zer nyalábot el kell téríteni. A lé-zer eltérítésére speciális tü körrendszert használnak (Lerma García et al., 2008). ANYAG ÉS MÓDSZER

A gyomfelvételezést három távérzékelési műszerrel vé geztük a Pallagi Kertészeti Kísérleti Telep területén. 2012. július 25-én Tetracam ADC szélessávú multispektrális digitális képalkotó rendszerrel földi fel vé te -le zést végeztünk a Pallagi Kertészeti Kísér-leti Te-lep

) ( ) ( ) ( ) (

_λ

E

_λ

E

_λ

E₁

_λ

E t a r + + =

jég hálóval védett, csepegtető öntözőrendszerrel ellá-tott, intenzív termesztésű alma gyümölcsösében. A kamera három spektrális csatornájának – zöld (520 és 600 nm), vörös (650–750 nm) közeli infravörös hul-lám hossz (750–950 nm) – megfelelő kombinálásával szoft veresen vegetációs indexek számíthatók, mellyel a vizsgált terület vegetációs aktivitását mérhetjük. A ké szülék digitális felbontása 1280×1024 pixel és 1,3 me gapixeles érzékelővel (Motorola CMoS) rendel ke zik. A kamera a passzív távérzékelők családjába tarto -zik, így a felvétel készítése előtt a műszert kalibrálni kell.

A GreenSeeker 505 szenzorral szenzorral vizsgáltuk meg gyümölcsös talajfelszínének gyomborított sá gát négy különböző időpontban. A műszer az aktív táv érzékelők családjába tartozik, hiszen saját meg vilá gí -tást használ, így bármely napszakban használható. A GreenSeeker két hullámhossz-tartományban bocsát ki fényt egy téglalap alakú résen. A vörös (RED – 656 nm) és a közeli infravörös (NIR – 774 nm) tartományban a vizsgált objektumról visszaverődött (reflektálódott) fényt a kör alakú ablakban gyűjti be a műszer, majd a ka pott értékekből számolja ki az NDVI (Normalizált Differenciál Vegetációs Index) értékeit a következő egyenlet alapján:

A szenzorral a földfelszíntől kb. 0,8–1 m-es távol-ság ban végeztük az adatgyűjtést. A GreenSeeker 505 ke zelőfelületeként működik a Trimble cég által forgal-ma zott AgGPS FmX fedélzeti számítógép, amely két be épített GNSS (GPS és GLoNASS) vevővel rendel -ke zik a nagyobb pontosság elérése érdekében. A job-computer a külső AgGPS 25 antenna segítségével vette a műholdak jelét. További, ún. EGNoS korrekciót hasz nálva a mérési és pozícióbeli pontosság 15–20 cm-re volt csökkenthető. A FmX monitor a szélességi és hosz-szúsági koordináták alapján összegezte a GreenSeeker 505 NDVI adatait, amit aztán USB háttértáron ke resz tül egyszerűen lementettünk, majd további számító gé -pes feldolgozásra a Surfer 10 térinformatikai szoftvert hasz náltuk. Az NDVI, a magassági, sebességi érté -keket, a műholdak paramétereit a fedélzeti számítógép másodpercenként rögzítette a hardverén. Mind az AgGPS FmX monitort, mind pedig a GreenSeeker 505 típusú szenzort egy traktorra szereltük.

A földi lézerszkenneres mérést 2011. szeptember 2-án végeztük el. A Leica ScanStation C10 lézer-szkenner mérési elve a lézernyaláb repülési idején alapszik: egy adott közegben a fény halad egy véges és konstans sebességgel, a vizsgált objektumot elérő, majd visszajutó fény időkülönbségéből lehet kiszámí-tani a távolságot. A szkenner egy zöld lézerfénnyel pász tázza a vizsgált objektumot. A lézernyaláb el -térítését a Smart X-Mirror™ forgó poligon tükörrend-szer biztosítja, így készítette el a műtükörrend-szer a több millió pontból álló pontfelhőt. A lézerszkenner látószöge hori -zontálisan 360°, vertikálisan 270°. A lézerkibocsátó mellett egy integrált digitális kamera is segíti a mérést a pontfelhő kiszínezésében. A beépített 4 megapixeles (1920×1920 pixel) kamera látószöge 17°, így a kupolaszerű, automatikusan térben kiigazított, színes pa no rá

-ma felvétel 260 képből épül fel. A pontfelhő feldolgo-zá sa, tisztítása a Leica Cyclone 7.1 nevű szoftverrel tör tént.

EREDMÉNYEK

A Tetracam ADC típusú multispektrális digitális ka mera segítségével földközeli felvételeket készítet-tünk a vizsgált intenzív almaültetvény sorközeiről. A felvételek kiértékelése során a reflektancia értékekből kalkulált NDVI (Normalizált Differenciál Vegetációs Index) értékeket és a lombborítottságot hasonlítottuk össze. A korrelációs vizsgálat eredménye az NDVI ér -tékek és a lombborítottság közötti pozitív szoros kor-re lációt (R2_{=0,81) mutatott (1. ábra).}

1. ábra: A lombborítottság és az NDVI érték közötti korreláció (n=7)

Figure 1: Correlation between canopy cover and NDVI (n=7)

NDVI(1), Canopy cover (%)(2)

A GreenSeeker 505 vegetációs indexméterrel négy kü lönböző időpontban felvételeztük a gyümölcsös ta-laj felszínét, illetve annak gyomfedettségét. A gyomde-tek tálási adatokat a Surfer 11 térinformatikai szoft ver-rel dolgoztuk fel és értékeltük ki (2. ábra). A 2011. novem ber 8án végzett felmérés alacsonyabb NDVI érté -ke i a terület gyommentességét mutatta (2/A ábra), a fel szín átlagos NDVI értéke 0,27 volt. Ezzel szemben a vizsgált gyümölcsös bal oldali sorának magas NDVI ér tékei az erős gyomborítottságnak voltak köszönhetők (átlagos NDVI=0,67). A felmérés során a jobb oldali utol só két sor esetében közepes NDVI értékeket mér -tünk, ami nem a gyomborítottságot, hanem a vegetá-ciós időszak vége felé közelítő gyümölcsfák lehullott le veleinek klorofill tartalmát jellemezte. Éppen ezért fon tos a távérzékeléssel mért adatok elemzése során a ve getáció szerkezetének pontos ismerete. A 2012-es év ben az első mérés időpontját a talaj teljes gyomirtása után időzítettük (2/B ábra), így a fedés minimális (át-la gos NDVI=0,2) volt. A terület gyomfedettségének egy öntetűségét az alacsony szórás érték (σ=0,035) is mu tatta. A gyomok felszaporodásának szempontjából különösen érdekes eredményt kaptunk a 20 nappal ké -sőbb végzett felmérés során (2/C ábra), ugyanis gyo -mo sodási folyamat révén egy élénk vegetáció alakult (átlagos NDVI=0,34), ahol az NDVI értékek gyakori -sága a 0,25 és 0,35 közötti tartományban több mint 44% volt. Két hónappal később, szeptember 19-én a gyo mok vegetációs aktivitása csökkent, így az átlagos NDVI érték 0,24 volt (2/D ábra).

NIR RED RED NIR

NDVI

λ

λ

λ

λ

+

−

=

y = 0,0033x + 0,3846 R² = 0,8126 0,6 0,62 0,64 0,66 0,68 0,7 70 73 75 78 80 83 85 88 90 N D V I (1 ) Borítottság (%)(2) N D V I( 1 ) Borítottság (%)(2)

A szoftver a térképeket interpolálációval hozza lét -re, amely egy matematikai közelítő módszer, melynek so rán a nem ismert értékekre az ismert értékek alapján ad közelítést a program. Valamennyi térbeli adat inter-po lációját krigeléssel végeztük.

A 2011. szeptember 3án végzett 3D lézerszkenne -res felmérés elsősorban a gyümölcsfák szerkezeti

vizsgá latait célozta meg, ennek ellenére az elkészült pont -felhőből lehetőség nyílt olyan adatok kinyerésére, amely a kísérleti terülten elhelyezkedő gyomok fajszin tű de-tek tálását is biztosította. A pontfelhő strukturális vizs-gá lata során 3 különböző gyomfajt tudtunk elkülöníteni (3. ábra).

2. ábra: A különböző időpontokban végzett gyomfelmérés eredményei

Figure 2: Weed mapping in different dates

Sampling points(1), NDVI color scale(2)

3. ábra: A 3D pontfelhőből elkülönített gyomfajok

Figure 3: Discriminated weeds based on the 3D point cloud

KÖVETKEZTETÉSEK

A passzív (Tetracam ADC) és aktív (GreenSeeker 505 és Leica ScanStation C10) távérzékelési műszerek lehetőséget nyújtottak a gyomok detektálására. Az esz -közök segítségével gyorsan és pontosan végeztük a gyom felvételezést.

A GreenSeekerrel folytatott mérés eredményei alap ján megállapítható, hogy az eszköz gyorsan és pon tosan megismerhetjük a talajfelszínen elhelyezkedő gyomok vegetációs aktivitását, térbeli mintázatát. En -nek az alapját az adja, hogy az NDVI (Normalizált Dif-fe renciál Vegetációs Index) szoros kapcsolatban van a klo rofill tartalommal, melyet a Tetracam ADC multi-spektrális kamera eredményei is bizonyították.

A lézerszkenneres mérés eredményei alapján iga-zol ható, hogy a 3D felmérés gyorsan, megbízható, nem destruktív módon megbecsülhetővé teszi a vizsgált nö vény térbeli struktúráját. A Leica Cycloneban számol ha tó paraméterek segítségével képesek vagyunk meg határozni a gyomok bizonyos paramétereit, melyek se -gít séget nyújthatnak a gyomdetektálási és gyomirtási al kalmazásokban. A modellezés során választ kap ha -tunk a vegetáció geometriájára; ugyanakkor további vizsgálatok szükségesek megállapítani a különböző fej lettségi állapotban lévő gyomok víztartalmát és párolgási dinamikájának megismerését. Így kaphatunk pontos képet arról, hogy milyen mértékben csökkentik a gyomok a talaj vízkészletét. Ehhez azonban fontos megismerni a vizsgált terület teljes gyomborítottságát, melyben a lézeres adatok és különböző alakzat felismerési algoritmusokkal végzett gyomazonosítás nyújt -hat segítséget.

A távérzékelő eszközök által gyűjtött információ és a ka pott eredmények alapján megállapítható, hogy a szen zorok a gyümölcsösök vegyszeres növény védel -mé ben is segítséget nyújthatnak. A talajfelszín aktív gyom flóráját detektálva, az adott NDVI értékek alap -ján permetező rendszerek mágnes kapcsolóinak szabá-lyo zásával a megfelelő helyre, optimális mennyiségű növényvédő szer juttatható ki, így növelve a gyomsza -bá lyozás hatékonyságát és csökkentve a környezet ter-he lését.

KÖSZÖNETNYILVÁNYÍTÁS

Köszönetemet fejezem ki a Nyugat-magyarországi Egyetem Geoinformatikai Karának, hogy rendel kezé -sünk re bocsátotta a Leica ScanStation C10 3D lézer-szkennert, mellyel hozzájárult a méréshez, illetve Váradi Attilának a Leica Geosystems Hungary Kft. dol gozójának, aki a Leica Cyclone szoftverhez bizto sí tott elér -he tőséget és munkám során segítette a 3D pont felhő feldolgozást. Köszönettel tartozom Mesterházi Péter ákos GPS ter mék menedzsernek, aki a GreenSeeker 505 típusú ve getációs indexméterrel és a Trimble AgGPS FmX fedélzeti számítógéppel végzett vizsgála -tokat segítette. A publikáció elkészítését a TáMoP-4.2.2/B-10/1-2010-0024 számú projekt, valamint a TáMoP 4.2.4.A/211120120001 Nemzeti Ki vá ló -ság Program – Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és mű köd -te tése konvergencia program című kiemelt projekt tá-mo gatta.

A projekt az Euró pai Unió támogatásával, az Euró-pai Szociális Alap társfinanszírozásával valósult meg.

IRODALOM Aggarwal, S. (2004): Principles of Remote Sensing. [In: Sivakumar,

M. V. K.–Roy, P. S.–Harmsen, K.–Saha, S. K. (eds.) Satellite remote sensing and GIS applications in agricultural meteorology.] AGM-8. WMo/TD No. 1182. WMo. Geneva. 23–38. Aitkenhead, M. J.–Dalgetty, I. A.–Mullins, C. E.–McDonald, A. J.

S.–Strachan, N. J. C. (2003): Weed and crop discrimination using image analysis and artificial intelligence methods. Computers and Electronics in Agriculture. 39. 3: 157–171.

Andreson, C.–Stryhn, H.–Streibig, J. C. (1996) Decline of the flora in Danish arable fields. Journal of Applied Ecology. 33. 3: 619–626. Belényesi M.–Kristóf D.–Skutai J. (2008): Távérzékelés a környe zet

gaz dálkodásban. Elméleti jegyzet. Szent István Egyetem Kör -nye zetgazdálkodási Intézet. Gödöllő. 78.

Berke J.–Kelemen D.–Szabó J. (2004): Digitális képfeldolgozás és al kalmazásai. PICTRoN Kft. Keszthely.

Cardina, J.–Doohan, D. J. (1999) Weed biology and precision farming. Site-Specific Management Guidelines SSMG-25. Potash and Phosphate Institute. Norcross. Georgia. 1–4.

Cardina, J.–Sparrow, D. H.–McCoy, E. L. (1995): Analysis of spatial distribution of common lambsquarters (Chenopodium album)in no-till soybean (Glycine max). Weed Science. 43: 258–268. Casagrande, M.–Joly, N.–Jeuffroy, M. H.–Bouchard, C.–David, C.

(2012): Evidence for weed quantity as the major information gathered by organic farmers for weed management. Agronomy for Sustainable Development. 32. 3: 715–726.

Clay, S. A.–Chang, J.–Clay, D. E.–Dalsted, K. (2004): Using remote sensing to develop weed management zones in soybean. Site Specific Management Guidelines SSMG-42. Potash and Phosphate Institute. South Dakota State University. 1–4.

Clay, S. A.–Johnson G. (1999): Scouting for Weeds. Site-Specific Management Guidelines SSMG-15. Potash and Phosphate Institute. Norcross. Georgia. 1–4.

Dave, S.–Runtz, K. (1995): Image processing methods for identifying species of plants. Proc. of WESCANEX 95. Communications, Power and Computing. Piscataway. New Jersey. IEEE. 403–408. Dille, J. A.–Mortesen, D. A.–young, L. J. (2002): Predicting Weed

Species occurrence Based on Site Properties and Previous year’s Weed Presence. Precision Agriculture. 3. 3: 193–207. Flynn, E. S.–Dougherty, C. T.–Wendroth, o. (2008): Assessment of

pasture biomass with normalized difference vegetation index from active ground-based sensors. Agronomy Journal. 100: 114–121. Fórián T.–Nagy A.–Tamás J. (2010): Precíziós gyümölcstermesztés tér informatikai rendszerének kiépítése. VIII. Alkalmazott Infor -ma tika Konferencia. Kaposvári Egyetem. 313–321.

Gée, Ch.–Bossu, J.–Jones, G.–Truchetet, F. (2008): Crop/weed dis-crimination in perspective agronomic images. Computers and Electronics in Agriculture. 60. 1: 49–59.

Heemst, H. D. J., van (1985): The influence of weed competition on crop yield. Agricultural Systems. 18. 2: 81–93.

Hunyadi K. (2000): A gyomnövény fogalma és jellemzői. [In: Hunyadi K.–Béres I.–Kazinczi G. (szerk.) Gyomnövények, gyomirtás, gyombiológia.] Mezőgazda Kiadó. Budapest. 9–16.

Neményi M.–Tamás J.–Fenyvesi L.–Milics G. (2010): A táv érzé ke -lés alkalmazása a biomassza és a vízkészletek mennyiségének, valamint minőségének megállapításánál. [In: Csete L. (szerk.) Klíma-21 Füzetek, Klímaváltozás – Hatások – Válaszok.] MTA-KSzI Klímavédelmi Kutatások Koordinációs Iroda. Budapest. 59: 51–60.

Roper, T. R. (1992): orchard-floor Management for Fruit Trees. University of Wisconsin-Extension. A3562. 1–4.

Søgaard, H. T. (2005): Weed Classification by Active Shape Models. Biosystems Engineering. 91. 3: 271–281.

Thompson, W. K. (1995): Frost, its nature and control. Agriculture notes (Victoria. Department of Primary Industries. Victoria. Australia) AG0088. PANDoRA electronic collection. http://www.dpi.vic. gov.au/agriculture/farming-management/weather-climate/ frost-its-nature-and-control

Ujvárosi M. (1957): Gyomnövények, gyomirtás. Mezőgazdasági Ki -adó. Budapest.786.

Vrindts, E.–De Baerdemaeker, J. (1996): Feasibility of weed detection with optical reflection measurements. Proceedings of the Brighton Crop Protection Conference – Pests and Diseases. Farnham. Surrey. U.K. British Crop Protection Council. 443–444. Woebbecke, D. M.–Meyer, G. E.–Von Bargen, K.–Mortensen D. A.

(1995): Shape features for identifying young weeds using image analysis. Transactions of ASAE 38. 1: 271–281.

Lerma García, J. L.–Van Genechten, B.–Heine, E.–Santana Quintero, M. (2008): Theory and practice on Terrestrial Laser Scanning. Editorial de la Universidad Politécnica de Valencia., Valencia, Spain. 241.

Lipeczki, J. (2006): Weeds in orchards – Pros and contras. Journal of Fruit and ornamental Plant Research. 14. 3: 13–18.

Miñarro, M. (2012): Weed communities in apple orchards under organic and conventional fertilization and tree-row management. Crop Protection. 39: 89–96.

Mitchem, W. E. (2005): Weed Management Considerations for Peach orchards. Southeastern Peach Growers’ Handbook.

Mortensen, D. A.–Johnson, G. A.–young, L. J. (1993): Weed distribution in agricultural fields. [In: Robert, P. C.–Rust, R. H. (eds.) Soil Specific Crop Management.] American Society of Agronomy. Madison. WI. USA. 113–124.

Molenaar, M. (1993): Remote Sensing as an Earth Viewing system. [In: Buiten, H. J.–Clevers, J. G. P. W. (eds.) Land observation by Remote Sensing – Theory and Applications.] overseas Publishers Association. Amsterdam. 27–36.

Muhammad, S.–Kahn, z.–Cheema, T. A. (2009): Distribution of Weeds in Wheat, Maize and Potato Fields of Tehsil Gojra, District Toba Tek Singh, Pakistan. Pakistan Journal of Weed Sciences Research. 15. 1: 91–105.

Nagy S. (2004): A gyomfelvételezési módszerek fejlesztése a precízi -ós gyomszabályozás tervezéséhez. Doktori értekezés. Moson-magyaróvár. 222.